摘 要:本文利用貴州省1987至2008年的全社會固定資產投資總額數據,運用計量經濟學軟件EViews,利用時間序列分析方法建立相應的ARIMA模型進行預測分析,為各級政府和企事業單位相關的管理決策,提供數量化的參考信息。
關鍵詞:時間序列;ARIMA模型;固定資產投資;投資預測
中圖分類號:F224;F283 文獻標識碼:A 文章編號:1674-7712 (2014) 14-0000-02
全社會固定資產投資額是一動態序列或稱時間序列,可以根據過去的資料得出其變化規律,由此預測未來的發展變化。本文利用貴州省1978至2008年的全社會固定資產投資總額數據,運用計量經濟學軟件EViews,基于時間序列分析方法建立相應的ARIMA模型進行預測分析。
一、ARIMA法建模的思路及預測的基本程序
目前,預測經濟運行時間序列的理論與方法較多,比較經典的有灰色理論、生長曲線、指數平滑法等,這些對經濟運行長期趨勢的把握較準,但對短期波動把握的概率度不高。ARIMA模型在經濟預測過程中既考慮了經濟現象在時間序列上的依存性,又考慮了隨機波動的干擾性,對于經濟運行短期趨勢的預測準確率較高,是近年應用比較廣泛的方法之一。ARIMA模型的基本思路是:某些時間序列是依賴于時間t的一族隨機變量,構成該時序的單個序列值雖然具有不確定性,但整個序列的變化卻有一定的規律性,可以用相應的數學模型來近似描述。
稱時間序列Xt服從ARMA(p,q)模型,若序列Xt經過d階差分后平穩,且差分序列服從ARMA(p,q)模型,則時間序列Xt服從ARIMA(p,d,q)模型,其中,d是差分次數。建立ARIMA模型的前提條件是,所要分析的時間序列必須是一個平穩的時間序列。對于非平穩的時間序列,要想用ARIMA模型進行分析,必須先對原始序列進行若干次差分,使其成為平穩序列。
二、ARIMA模型在固定資產投資分析中的應用
根據《貴州省統計年鑒2009》中提供的貴州省全社會固定資產投資總額(1987-2008年)的時間序列數據(見表1),建立貴州省全社會固定資產投資總額的ARIMA模型。
(一)對時間序列Xt觀察并進行平穩化處理。對表1數據進行平穩性檢驗,先運用Eviews5.0軟件對時間序列貴州省全社會固定資產投資總額(1978-2008年)Xt作出時序圖,其變化曲線如圖1所示(見圖1)。
由圖1可見,貴州省全社會固定資產投資總額呈指數變化,增長勢頭強勁,是明顯的非平穩時間序列。因此,需要進行平穩化處理,對于含有指數趨勢的時間序列,須先通過取對數將時間序列的指數趨勢轉化為線性趨勢,再用差分法進行處理。一般來講,一階差分可以消除線性趨勢,二階差分可以消除二次曲線趨勢。以上原始數據經過取對數(series lnx=log(x))得序列LNXt,其時序圖(見圖2),序列 再取一階差分(series dlnx=d(lnx,1))得到DLNXt,其時序圖(見圖3),可以看出時間序列DLNXt較為平穩,對其進行ADF單位根檢驗后(見表2),得知時間序列DLNXt可以通過ADF檢驗,所以,DLNXt為平穩序列。
(二)模型識別和定階。做出時間序列DLNXt的直到滯后16期的ACF和PACF圖(見圖4)。
從圖4我們可以看出樣本的自相關圖和偏自相關圖都是拖尾的,故選取ARIMA模型。已經知道I(d)的階數為1,即d=1,所以,現在主要對ARMA模型進行定階分析。由偏自相關圖和偏自相關系數統計量,可以考慮(p,q)的不同組合(1,1),(1,4),(4,1),(4,4),(0,4)和(4,0)。再運用Akaike提出的AIC準則,對模型的階數和相應參數同時給出一組最佳估計。一般來講,在給出不同模型的AIC計算公式基礎上,選取使AIC達到最小的那一組階數為理想階數。運用Eviews軟件完成這一過程,通過比較四個模型的AIC值,同時參考了R2值、P值、SE值、DW值等各項指標來選擇最佳模型(見表3)。
(三)模型的估計。由表4可知,運用ARIMA(0,1,4)模型來擬和序列DLNXt,其擬合方程為:DLNXt=0.185369+εt+0.939926εt-4
(四)模型的檢驗。對隨機時序進行檢驗,主要是通過檢驗模型殘差序列是否為純隨機序列噪聲來進行。如果殘差序列不是白噪聲,則意味著殘差序列還存在有用信息未被提取,需要進一步改進模型。
結果表明,2009-2012年貴州省全社會固定資產投資總額仍將保持較高速度的增長,政府在引導投資時應看到這一點,ARIMA模型較好地解決了非平穩時間序列的建模問題,并且在時間序列的短期預測方面有很好的表現,借助于EViews等統計軟件,可以方便地將ARIMA模型用于時間序列問題的研究和預測。
參考文獻:
[1]王燕.應用時間序列分析[M].北京:中國人民大學出版社,2008.
[作者簡介]譚棉(1984-),女,壯族,廣西東蘭人,貴州民族大學助教,研究方向:復分析。